IA automatiza a identificação de vespas que podem substituir inseticidas na agricultura
Usando deep learning e visão computacional, estudo automatizou a identificação de vespas da família Ichneumonidae, que têm aplicação no controle sustentável de pragas agrícolas
Uma pesquisa feita na Escola de Engenharia de São Carlos (EESC) da USP aliou técnicas de visão computacional e deep learning, um campo da inteligência artificial que tem se desenvolvido aceleradamente, para automatizar a identificação de vespas que podem ser usadas como controle biológico na agricultura. Usando um banco de dados de mais de 3 mil imagens em alta resolução, a técnica identificou vespas parasitoides por família com alta precisão.
O estudo, apresentado como dissertação de mestrado de João Manoel Herrera Pinheiro, tem potencial para revolucionar o trabalho de especialistas em taxonomia – ciência que classifica, identifica, nomeia e organiza os seres vivos em categorias – na descrição e catalogação de insetos, ajudando também na contenção de pragas.
Essencial para o monitoramento eficaz da biodiversidade, para as pesquisas ecológicas e estratégias de controle biológico, a identificação taxonômica precisa é um trabalho de especialistas que realizam comparações detalhadas para construir o catálogo de seres vivos do qual a biologia depende. No entanto, o trabalho exige profissionais extremamente qualificados, e, por seu método de comparação manual, consome bastante tempo dos cientistas.
O trabalho foi feito em parceria com biólogos da Universidade Federal de São Carlos (UFSCar) e o Instituto Nacional de Ciência e Tecnologia (INCT) dos Hymenoptera Parasitoides da Região Sudeste (Hympar/Sudeste), que reúne uma coleção de mais de 600 mil espécies de vespas.
“O foco do meu trabalho foi na identificação de vespas parasitoides, da família Ichneumonidae. Essa superfamília é o grupo mais diverso da ordem Hymenoptera, que contém as abelhas, formigas e vespas não-parasitoides, dentro do qual diversas espécies ainda não foram descritas”, diz João Pinheiro ao Jornal da USP. Ele explica que, por ser o maior grupo, esses invertebrados são abundantes e às vezes muito parecidos, o que aumenta a complexidade no trabalho do entomologista, que é quem identifica e estuda os insetos.
Inventário dos insetos
Apesar de os insetos representarem cerca de metade da biomassa global, cerca de 80% de espécies ainda não são conhecidas, gerando impactos diretos na conservação e em práticas de controle biológico.
Segundo o pesquisador, o inventário de insetos está longe de ser concluído, e essa lacuna na taxonomia, somada ao declínio global das espécies provocado pela ação humana, tem impactos diretos sobre o bem-estar humano. Os insetos têm funções ecossistêmicas cruciais, que incluem polinização, manutenção da saúde de ecossistemas agrícolas, controle natural de pestes e decomposição de matéria orgânica.
“Com esse trabalho eu consegui aprender bastante sobre a importância das vespas. Foi gratificante ver como a engenharia e a inteligência artificial podem ajudar em outras áreas ”, conta.
Tecnologia a favor da ciência
A aplicação do deep learning propõe a utilização de modelos computacionais compostos de múltiplas camadas de processamento para “aprender” a partir de representações que usam dados abstratos, como imagens. A tecnologia ganhou destaque nos últimos anos e já é amplamente aplicada em diversas áreas, mas avançou de forma mais lenta no monitoramento de invertebrados e nas pesquisas em biodiversidade. Somente na última década o aprendizado computacional profundo começou a transformar os campos da entomologia e ecologia.
Marcelo Becker, coordenador do Centro de Robótica da USP, docente da EESC e orientador do estudo, reforça que esse trabalho pode poupar muito tempo de especialistas.
“Existe todo um ciclo em que a pessoa pesquisadora coloca armadilhas na mata ou na área de cultivo, coleta os insetos através de redes, coloca todos em receptáculos, manda para a universidade e reserva no frigorífico. Tirando dali, começa a separação entre o que é mosca, formiga, vespa. É preciso um especialista com anos de formação”, explica Becker. “Depois, ainda é preciso identificar o animal dentro da família, gênero ou espécie. A ideia é que, com esse sistema, seja possível, através da imagem, já fazer automaticamente essa primeira classificação, deixando o especialista alocado numa tarefa menos mecânica.”
A proposta foi usar aprendizado profundo para que o computador reconhecesse estruturas visuais, com foco em características biologicamente relevantes, como padrões na nervação das asas e no formato da cabeça e do corpo dos insetos. O material biológico utilizado no estudo foi cedido pela coleção taxonômica DCBU da UFSCar e o conjunto de dados Dataset of Parasitoid Wasps and Associated Hymenoptera (DAPWH), com 3.556 imagens em alta resolução que foram utilizadas para treinar o algoritmo e estão disponíveis publicamente.
“O modelo, de fato, aprendeu a identificar morfologias do inseto. Então, por exemplo, para uma família específica, a rede neural teve mais ativação na asa, ou seja, podemos dizer que o modelo ‘enxergou’ a asa para fazer aquela predição”, diz o autor do estudo. Com isso, completa ele “poderíamos especular que o modelo possa vir a ‘enxergar’, no futuro, detalhes que o ser humano não não consegue diferenciar, afinal, nossa visão é limitada dentro do espectro de luz e o computador pode acessar uma faixa mais ampla e encontrar padrões que nós ainda não identificamos”.
Biomimética: tecnologia inspirada na natureza
As vespas estudadas, majoritariamente nativas brasileiras, são conhecidas por parasitar outros insetos considerados pragas nas plantações. “Por ser um grupo pouco explorado em temas de pesquisa, essa família de vespas ainda tem pouco uso em controle biológico, mas o potencial é enorme. Pense que, ao invés de usar um defensor agrícola numa plantação de mandioca ou de couve, por exemplo, a vespa, por causa do seu próprio ciclo de parasitismo, consegue matar as pragas dessas plantações, que geralmente são larvas de borboletas, utilizando as larvas para fechar o ciclo reprodutivo delas. É um controle biológico natural”, afirma João Manoel Pinheiro.
Marcelo Becker enfatiza que o acervo disponibilizado pela professora Angélica Maria Penteado-Dias, da UFSCar, foi essencial no potencial de aplicação da pesquisa para a agricultura. Constituído por fotografias de alta qualidade desse tipo de vespa parasitária, o conjunto de dados foi um diferencial. “O acervo com que trabalhamos é muito específico: um tipo de vespa importante para fazer o controle biológico de pragas em diferentes culturas agrícolas. A professora Angélica nos deu uma verdadeira aula sobre isso, explicou que há vespas que ajudam a controlar pragas na mandioca, outras em cana-de-açúcar, outras no café, e por aí vai. A importância e aplicabilidade dessa pesquisa para a agricultura está na alternativa mais sustentável ao uso de inseticidas e pesticidas, que constitui um impacto muito favorável”, conclui Becker.
O orientador da pesquisa reforça também que é muito importante fazer o reconhecimento de insetos no Brasil, uma vez que muitas espécies ainda não conhecidas podem ter aplicações nos mais diversos campos da economia e oferecer alternativas verdes para o desenvolvimento da sociedade.
O estudo contou com o apoio da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (Capes), da Fundação de Apoio à Física e à Química (FAFQ), da Fundação de Amparo à Pesquisa do Estado de São Paulo (Fapesp), do Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq), do Instituto Nacional de Ciência e Tecnologia dos Hymenoptera Parasitoides (INCT-HYMPAR), e foi conduzido em colaboração com Gabriela do Nascimento Herrera e Angélica Maria Penteado Dias, ambas pesquisadoras da UFSCar.
A dissertação Deep learning-based computer vision techniques for automated identification of Ichneumonoidea and other Hymenoptera insects pode ser acessada neste link.
O artigo Descriptor: Parasitoid Wasps and Associated Hymenoptera Dataset (DAPWH) sobre o conjunto de dados com imagens em alta resolução das vespas da família Ichneumonidae foi publicado na revista IEEE Xplore e pode ser acessado neste link.
Matéria: Sthephany Oliveira | Jornal da USP.